<?xml version='1.0' encoding='UTF-8'?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName>موسسه آموزش عالی آپادانا</PublisherName>
      <JournalTitle>فصلنامه پژوهش های نوین در شهرهوشمند</JournalTitle>
      <Issn>2980-8936</Issn>
      <Volume>1</Volume>
      <Issue>1</Issue>
      <PubDate PubStatus="epublish">
        <Year>2022</Year>
        <Month>11</Month>
        <Day>11</Day>
      </PubDate>
    </Journal>

    <ArticleTitle>Face preview before plastic surgery using  artificial intelligence algorithms</ArticleTitle>
    <VernacularTitle>پیش‌نمایش چهره قبل از عمل جراحی پلاستیک با الگوریتم‌های هوش‌مصنوعی</VernacularTitle>
    <FirstPage>57</FirstPage>
    <LastPage>62</LastPage>
    <ELocationID EIdType="doi">10.22051/jera.2021.31891.2698</ELocationID>
    <Language>FA</Language>

    <AuthorList>
      <Author>
        <FirstName>منیره</FirstName>
                <Affiliation>دانشگاه آزاد تهران، واحد مرکز</Affiliation>
      </Author>
      <Author>
        <FirstName>بهزاد</FirstName>
                <Affiliation>جهاد دانشگاهی مشهد</Affiliation>
      </Author>
    </AuthorList>

    <PublicationType></PublicationType>

    <History>
      <PubDate PubStatus="received">
        <Year>2022</Year>
        <Month>09</Month>
        <Day>11</Day>
      </PubDate>
    </History>

    <Abstract>Recent studies have shown significant success in image-to-image translation for two domains. However, existing approaches have limited scalability and robustness in handling more than two domains, as different models must be built independently for each pair of image domains. To overcome this limitation, we propose a model based on generative adversarial networks (GAN), which is a new and scalable approach that can perform image-to-image translation for multiple domains using only a single model. The integrated GAN model architecture allows simultaneous training of multiple datasets with different domains in one network. This leads to the superior quality of images translated by GAN compared to existing models, as well as the new ability to flexibly translate an input image to any desired domain. We experimentally demonstrate the effectiveness of our approach in facial feature transfer and facial expression composite tasks.</Abstract>
    <OtherAbstract Language="FA">مطالعات اخیر موفقیت قابل&amp;not;توجهی را در ترجمه&amp;not;ی تصویر به تصویر برای دو دامنه نشان داده است. با-این&amp;not;حال، رویکردهای موجود، مقیاس‌پذیری و استحکام محدودی را در مدیریت بیش از دو دامنه دارند زیرا مدل‌های مختلف باید به‌طور مستقل برای هر جفت دامنه&amp;not;ی تصویر ساخته شوند. برای رفع این محدودیت، ما مدلی بر پایه&amp;not;ی شبکه&amp;not;های مولد تخاصمی (GAN) پیشنهاد می&amp;not;کنیم که یک رویکرد جدید و مقیاس&amp;not;پذیر است و می&amp;not;تواند ترجمه&amp;not;ی تصویر به تصویر را برای چندین دامنه&amp;not;ی تنها با استفاده از یک مدل واحد انجام دهد. معماری مدل یکپارچه&amp;not;ی GAN امکان آموزش هم&amp;not;زمان مجموعه داده&amp;not;های متعدد با دامنه&amp;not;های مختلف در یک شبکه را فراهم می&amp;not;کند. این قابلیت، منجر به کیفیت برتر تصاویر ترجمه&amp;not;شده توسط GAN در مقایسه با مدل&amp;not;های موجود و همچنین، قابلیت جدید ترجمه&amp;not;ی انعطاف&amp;not;پذیر یک تصویر ورودی به هر دامنه&amp;not;ی موردنظر می&amp;not;شود. ما به&amp;not;طور تجربی، اثربخشی رویکرد خود را در انتقال ویژگی‌های چهره و وظایف ترکیبی بیان چهره نشان می‌دهیم.</OtherAbstract>

    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">face recognition</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">recognition of facial features</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">translation of images</Param>
      </Object>
    </ObjectList>

    <ArchiveCopySource DocType="pdf">/downloadfilepdf/43193</ArchiveCopySource>
  </Article>
</ArticleSet>
